L'affinité et la similarité transforment les paniers et les comportements réels en similarités exploitables.
Ce sous-composant de la couche d'abstraction répond à une question différente de celle posée par le graphe de relations : non pas qui est connecté à qui, mais à quoi ressemble quoi. Il calcule trois types de similarité statistique, tous basés sur des données réelles. La similarité entre produits provient de véritables paniers d'achat – quels produits apparaissent ensemble dans les mêmes commandes (achat de X, achat de Y également). L'affinité catégorielle par membre capture les catégories vers lesquelles chaque membre est naturellement attiré, d'après son historique d'achats et de navigation. Enfin, la similarité entre membres et tags – les profils similaires – regroupe les membres dont les tags et les comportements se ressemblent, permettant ainsi d'élargir une audience validée à des personnes qui leur ressemblent réellement. Rien n'est inventé : chaque score est calculé à partir des commandes et des comportements observés, sans jamais enfreindre les règles d'identité ou de confidentialité.
Dérive une similarité statistique à partir de données réelles (quels produits sont achetés ensemble, vers quelles catégories un membre se penche et quels membres se ressemblent) de sorte que les recommandations et l'expansion des similarités reposent sur des modèles réels et non sur la popularité.
Similitude basée sur des données réelles, et non sur la popularité ou une simple supposition.
La qualité des recommandations et de l'élargissement de l'audience dépend de la similarité qui les sous-tend. Cette couche calcule cette similarité à partir de données réelles (paniers d'achat, préférences de catégories, ressemblance de profils) et les transmet à l'ontologie et au moteur de recommandation sous forme de sortie contrôlée. Ainsi, chaque suggestion « similaire à » est pertinente et reproductible.
- Achats fréquents ensemble
- Achats groupés occasionnels
- Produit phare
- Produit similaire
Trois types de similarité, tous issus de données réelles
La similarité ici répond toujours à la question « qu'est-ce qui ressemble à quoi ? » et elle est toujours basée sur les ordres et les comportements observés ; jamais fabriquée, et jamais en violation de l'identité ou de la vie privée.
- Achats groupés à partir de paniers réels : quels produits apparaissent ensemble dans les mêmes commandes (achat de X, achat de Y) ? Ces informations sont transformées en similarités entre produits.
- Affinité de catégorie par membre : catégories vers lesquelles un membre gravite, calculée à partir de son propre historique d'achat et de navigation plutôt que d'une moyenne à l'échelle du magasin.
- Similarité des membres et des tags (personnages similaires) : membres dont les tags et les comportements se ressemblent, permettant d’étendre une audience initiale validée à des personnes qui leur ressemblent réellement.
Ce que la similarité permet de calculer
Une fois que la similarité est matérialisée sous la forme d’un résultat gouverné, elle devient quelque chose que la recommandation fait surface et que l’agent peut simplement lire – la même réponse à chaque fois.
- Produit le plus pertinent : basé sur les habitudes d'achat réelles des membres et leurs préférences par catégorie, plutôt que sur une popularité générique.
- Expansion par similarité : développez une audience performante en vous basant sur la ressemblance avec un profil réel, et non sur une large tranche démographique.
- Une réponse « similaire à » cohérente : le moteur de recommandation, l'audience de la campagne et l'étape de raisonnement de l'agent lisent tous une similarité gouvernée, ils sont donc d'accord.
Similarité vs. graphe de relations
Cette couche est complémentaire du graphique des relations, et la distinction est importante : la similarité est une ressemblance statistique (apparence, achats similaires), tandis que le graphique des relations représente un lien social explicite (une recommandation convertie ou un foyer potentiel). Ils sont complémentaires et doivent être lus ensemble, jamais confondus.
- La similarité permet de répondre à la question « qu'est-ce qui ressemble à quoi ? » (produits achetés de la même manière, membres ayant des profils similaires) à partir des tendances observées dans les données.
- Le graphique des relations répond à la question « qui est connecté à qui » — liens réels, liens de recommandation convertis, liens d'ambassadeurs et liens familiaux.
- Un agent utilise les deux méthodes : il sélectionne une pièce en fonction de son rôle structurel dans le graphe, puis choisit le produit ou l’audience similaire le plus approprié en fonction de sa similarité.
Le moteur de recommandation est le principal consommateur de cette couche : il personnalise en fonction des affinités de chaque membre via la messagerie électronique, votre propre site et n'importe quelle application via API, avec une tendance de repli pour les nouveaux visiteurs afin qu'un emplacement ne soit jamais vide.
C’est ainsi que la couche améliore les décisions de l’IA.
Sans modèle de similarité, les recommandations retombent sur la popularité à l’échelle du magasin et l’expansion de l’audience retombe sur des données démographiques plus larges – toutes deux aveugles à ce qu’un membre spécifique achète et à quoi il ressemble réellement. La similarité est recalculée ad hoc dans chaque outil, de sorte que la réponse « similaire à » utilisée par une campagne n'est pas d'accord avec celle utilisée par le moteur de recommandation, et ni l'une ni l'autre n'est fondée sur de vrais paniers ou une réelle ressemblance de profil.
Le choix du produit suivant le plus performant repose sur un achat groupé réel ou une tendance de catégorie plutôt que sur sa popularité en magasin.
Un membre voit des recommandations qui reflètent les catégories vers lesquelles il se tourne réellement, et non celles d'un acheteur moyen.
Une audience éprouvée peut être étendue à un ensemble de membres similaires dont les tags et le comportement lui ressemblent véritablement, au lieu d'une large estimation démographique.
La réponse « similaire à » utilisée par une campagne et celle fournie par le moteur de recommandation proviennent du même modèle de sortie contrôlé.
La valeur est opérationnelle, pas seulement technique.
L'agent reçoit une suggestion de produit similaire basée sur un achat conjoint réel ou une tendance de catégorie, plutôt que sur la popularité globale en magasin, et une extension de profil similaire basée sur une ressemblance réelle plutôt que sur une estimation démographique. La similarité étant un résultat de modèle structuré et non un calcul ad hoc, la même réponse « similaire à » est reproductible partout où elle est lue : interface de recommandation, audience de campagne ou étape de raisonnement de l'agent.
Calcule la similarité entre les produits à partir de paniers réels — paires d'achats simultanés (achat de X, achat de Y), et non les meilleures ventes génériques.
L'affinité de chaque membre avec une catégorie est déterminée à partir de son historique d'achats et de navigation, afin que le produit le plus pertinent corresponde à ses véritables préférences.
Crée des similarités entre les membres et les tags (profils similaires) à partir des tags et des comportements, afin d'élargir une audience existante à des personnes réellement similaires.
Chaque similarité est conservée comme une sortie de modèle matérialisée et contrôlée, afin que la même réponse « similaire à » soit lue de manière cohérente plutôt que recalculée instantanément.
Ces trois éléments s’appuient sur des données observées et respectent la confidentialité des données : les similitudes sont déduites des faits, jamais inventées.
Fonctionnement de cette couche
Lit les lignes de commande détaillées du magasin brut et calcule la cooccurrence des produits (la fréquence à laquelle deux produits apparaissent dans le même panier) en tant que similarité produit à produit.
Regroupe les achats et l'historique de navigation de chaque membre en une affinité de catégorie par membre, exprimant les catégories vers lesquelles ils se penchent.
Calcule la similarité entre membres à partir des tags de profil et du comportement, permettant ainsi d’étendre une audience initiale à un ensemble d’audiences similaires.
Matérialise les résultats de similarité sous forme de résultats de modèle gouverné et les expose à l'ontologie et aux surfaces de recommandation, afin qu'ils soient lus plutôt que redérivés par appel.
Reste complémentaire au graphe de relations : cette couche modélise la ressemblance statistique, tandis que le graphe de relations modélise les liens sociaux explicites et convertis ; les deux sont interprétés conjointement, jamais confondus.